基于PARAFAC和ART算法的油类污染物荧光检测 下载: 1065次
1 引言
近年来,人类在生产活动中对海洋造成的污染危及动植物的生存,并间接损害人体健康。水污染的治理显得尤为迫切。由于海上石油泄漏污染事故频发,在水污染治理中,油类污染物的防治是重中之重[1-4]。
原油及其炼制而成的石油产品中含有大量多环芳烃,具有较强的荧光特性,因此采用荧光分析法对石油类污染物进行测定与识别较为简便。在荧光分析法中,三维荧光光谱法因快速、灵敏的检测优点而在监测领域得到广泛应用[5-9]。平行因子分析(PARAFAC)算法专门用于解决三线性数据问题,较多地应用在化学分析方面[10-11]。近几年,有多位学者对此进行了大量实验研究[12-15]。PARAFAC算法需要预设组分数,基于此,杜文[16]提出了交替残差三线性(ART)算法,实现了无需预设组分数的三线性数据分析。本文采用上述两种算法,分别对三组分石油类污染物进行定性识别与定量测定,通过实验结果对比两种算法的优点[17-20]。
2 基本原理
2.1 PARAFAC算法
PARAFAC算法广泛应用于三维及多维数据的分析中。三线性数据由某些三维荧光数据组成[21]。PARAFAC算法的最大优点是其分解结果唯一,但该算法对成分数敏感,需要预先设定组分数。一个三线性数据阵X的PARAFAC算法模型如
PARAFAC算法的数学表达式为
式中xijk为三维荧光阵内的元素,在石油类物质混合液三维荧光光谱分析中的实际意义为相对荧光强度(第k个样本第j个发射波长第i个激发波长处);ain为相对荧光强度(第n个组分第i个激发波长处);bjn为相对荧光强度(第n个组分第j个发射波长处);ckn为相对浓度(第k个样本第n个组分处);eijk为残差矩阵中的元素;N为混合液的组分数。(1)式对应到石油类物质混合液荧光数据阵X(I×J×K)中,样本数量为K,激发波长数量为I,发射波长数量为J。
算法过程:确定模型因子数(即样品组分数)N,由X和初始化的B、C估计载荷矩阵A;用得到的A的估计值和初始化的C,采用相同的方法估计B;由A的估计值和B的估计值估计C,具体过程见参考文献[ 10]。
2.2 ART算法
相比于传统的PARAFAC算法,新的二阶校正方法——ART算法——不需要预先估计组分数N,它在自身收敛过程中即可自行确定。ART算法是基于三线性模型发展而来的,三线性成分模型还可以用矩阵形式来描述:
式中X..k与E..k分别为立方形矩阵X和E在K方向的第k层,an为与激发波长相关的荧光强度阵,bn为与发射波长相关的荧光强度阵。
将PARAFAC算法中的残差平方和sSSR按照组分方向写成:
设
式中L为当组分数是n0时对应的损失函数的残差平方和,ckn0为第k个样本中组分数为n0时浓度阵里的元素,an0为样品组分数为n0的与激发波长相关的荧光强度阵,bn0为样品组分数为n0的与发射波长相关的荧光强度阵,cn0为组分数为n0的浓度阵。对an0求偏导,可得:
设λ=‖an0‖2‖bn0‖2‖cn0‖4,则有
这表明an0、bn0分别是
式中v为正交阵。
同理对ckn0求偏导,可得
由此可以得到an0、bn0和cn0。
ART算法的迭代过程如下:
1) 初始化A、B、C,由A、B、C和(4)式得到D..k。
2) 初始化cn0,由(9)式和D..k得到an0、bn0。
① 应用(10)式和(11)式,由得到的an0、bn0和D..k计算cn0。
② 应用(9)式,由得到的cn0和D..k计算an0、bn0。
③ 重复步骤①和步骤②,直到cn0收敛为止。
3) 重复步骤1)和步骤2)得到an0+1、bn0+1和cn0+1。
4) 重复步骤2)和步骤3),直到X收敛。
3 实验分析
3.1 样品配制
准备3个100 mL的容量瓶,分别加入0号柴油、95号汽油和普通煤油各1 g,经溶剂CCl4定容后,可得到10000 mg·L-1柴油、汽油和煤油的标准溶液。然后取适量标准溶液置于20个容量瓶中,之后加CCl4定容配制成不同浓度的样品,各样本的质量浓度如
3.2 实验设备
实验仪器采用可快速完成三维扫描的日立F-7000型荧光分光光度计。其参数设置如下:光电倍增管(PMT)电压为400 V,扫描速率为12000 nm·min-1,扫描步长为5 nm,入射狭缝为10 nm,出射狭缝为10 nm,激发波长、发射波长的扫描范围分别为250~430 nm和310~520 nm,设置发射起始波长始终超前20 nm于激发起始波长,以消除瑞利散射。响应时间为自动模式。仪器已经经过激发与发射校正处理。
表 1. 样品的质量浓度
Table 1. Mass concentration of samples
|
3.3 软 件
采用在MATLAB上编写的PARAFAC和ART算法程序进行处理,算法在MATLAB8.0及以上版本上实现。
4 结果与讨论
4.1 标准样品的三维与二维荧光光谱
在以上仪器设定条件下分别测量柴油、汽油、煤油标准溶液,得到其三维光谱如
图 2. 标准溶液的三维荧光光谱。(a)柴油;(b)汽油;(c)煤油
Fig. 2. Three-dimensional fluorescence spectra of standard solutions. (a) Diesel; (b) gasoline; (c) kerosene
图 3. 柴油、汽油、煤油标准溶液的二维荧光光谱。(a)激发光谱;(b)发射光谱
Fig. 3. Two-dimensional fluorescence spectra of diesel, gasoline and kerosene standard solutions. (a) Excitation spectra; (b) emission spectra
4.2 混合样品的PARAFAC分析
利用F-7000型荧光分光光度计扫描样品,得到三维光谱。三维荧光光谱的高灵敏度使其自身难以抵御溶剂中杂质的干扰,故采用空白扣除法予以消除。
采用PARAFAC模型分析测量得到20×43×37的三维数据阵X。为确定模型的组分数,利用核一致诊断方法。组分数为2的核一致系数为77.9%;组分数为3的核一致系数为98.7%。组分数为2时,由于实验选取样品中汽油与煤油的荧光光谱形状相似,荧光峰位置接近,以致算法将汽油光谱与煤油光谱混淆,作为一个整体进行分解。因此,选定模型的实际组分数为3。
4.3 混合样品ART分析
采用ART算法分析测量得到20×43×37的三维数据阵X。
ART算法处理分析数据时,其残差平方和sSSR随组分数N的变化曲线如
图 4. PARAFAC算法模型估计的荧光光谱。(a)激发光谱;(b)发射光谱
Fig. 4. Fluorescence spectra estimated by PARAFAC algorithm model. (a) Excitation spectra; (b) emission spectra
表 2. 采用PARAFAC算法得到的混合溶液的预测质量浓度与回收率
Table 2. Predicted mass concentration and recovery rate of mixed solutions obtained by PARAFAC algorithm
|
图 5. (a) PARAFAC和(b) ART算法残差平方和随组分数的变化
Fig. 5. Residual square sum of (a) PARAFAC and (b) ART algorithms changing with component number
图 6. ART算法估计的荧光光谱。(a)激发光谱;(b)发射光谱
Fig. 6. Fluorescence spectra estimated by ART algorithm. (a) Excitation spectra; (b) emission spectra
表 3. ART算法得到的混合溶液的预测质量浓度与回收率
Table 3. Predicted mass concentration and recovery rate of mixed solutions obtained by ART algorithm
|
4.4 PARAFAC与ART算法分析结果的比较
与经典的PARAFAC算法相比,ART算法不需要预先估计组分数N,从
将
PARAFAC和ART算法得到的预测样品的质量浓度和回收率分别见
5 结论
分析石油类物质混合液时采用PARAFAC和ART算法均能达到预期目的,但ART算法的残差平方和sSSR随着组分数N的增大而增大,可自行确定正确的组分数而无需预设组分数N,且收敛速率快;两种算法在同时直接定量测定石油类污染物浓度时,在可接受误差范围内均能得到较好的回收率。
[1] 高乐华. 我国海洋生态经济系统协调发展测度与优化机制研究[D]. 青岛: 中国海洋大学, 2012.
Gao LH. Research on coordinative of development assessment and optimization of marine ecological-economic system in China[D]. Qingdao: Ocean University of China, 2012.
[2] 常江. 水中矿物油的FTIR-ATR光谱分析[D]. 秦皇岛: 燕山大学, 2014.
[3] 潘钊, 王玉田, 邵小青, 等. 三维荧光光谱及平行因子分析在石油类污染物检测分析中的应用[J]. 光谱学与光谱分析, 2012, 32(3): 714-718.
[4] 周冰冰. 荧光光谱法水中矿物油的检测及研究[D]. 秦皇岛: 燕山大学, 2015.
Zhou BB. Fluorescence detection and study of mineral oil in water[D]. Qinhuangdao: Yanshan University, 2015.
[5] 胡扬俊, 陈国庆, 朱纯, 等. 橙汁饮品的荧光光谱特性及模式识别[J]. 发光学报, 2013, 34(8): 1066-1072.
[6] 金丹, 张玉钧, 李国刚, 等. 菲的三维荧光光谱特性研究[J]. 光谱学与光谱分析, 2009, 29(5): 1319-1322.
[7] 崔志成, 刘文清, 赵南京, 等. 水中油浓度快速测量方法研究[J]. 光谱学与光谱分析, 2008, 28(6): 1332-1335.
[8] 奚留华, 陈国庆, 朱焯炜, 等. 基于三维荧光光谱测定芝麻香型白酒的年份[J]. 激光与光电子学进展, 2016, 53(12): 123002.
[9] 潘钊, 王玉田, 吴希军, 等. 胶束增敏荧光方法测定水中石油类成分及其含量[J]. 仪器仪表学报, 2013, 34(12): 2839-2845.
[10] 杨丽丽, 王玉田, 鲁信琼. 三维荧光光谱结合二阶校正法用于石油类污染物的识别和检测[J]. 中国激光, 2013, 40(6): 0615002.
[11] 刘佳, 吴海龙, 方冬梅, 等. 三维荧光二阶校正法用于血浆和尿液中柔红霉素的快速测定[J]. 分析化学, 2008, 36(3): 316-320.
[12] 吕桂才, 赵卫红, 王江涛. 平行因子分析在赤潮藻滤液三维荧光光谱特征提取中的应用[J]. 分析化学, 2010, 38(8): 1144-1150.
[13] 刘海龙, 吴希军, 田广军. 三维荧光光谱技术及平行因子分析法在绿茶分析及种类鉴别中的应用[J]. 中国激光, 2008, 35(5): 685-689.
[14] 郭卫东, 杨丽阳, 王福利, 等. 水库型河流溶解有机物三维荧光光谱的平行因子分析[J]. 光谱学与光谱分析, 2011, 31(2): 427-430.
[16] 杜文. 多元校正及模型转移中的缺损数据重构和交替残差多线性方法研究[D]. 长沙: 湖南大学, 2016.
DuW. Missing data recovery and alternating residual trilinearization applied to multivariate calibration and calibration transfer[D]. Changsha: Hunan University, 2016.
[17] 张燕. 化学计量学二阶校正法在荧光和色谱分析中的应用[D]. 长沙: 湖南大学, 2009.
ZhangY. Applications of second-order calibration methods in fluorometric and chromatographic analysis[D]. Changsha: Hunan University, 2009.
[18] 刘佳. 化学计量学二阶校正法用于复杂体系抗癌药物的定量分析[D]. 长沙: 湖南大学, 2008.
LiuJ. Second-order calibration methods applied to determination of antitumor drugs in complex systems[D]. Changsha: Hunan University, 2008.
[19] 邓琥, 尚丽平. 基于四组分同时测定的PARAFAC和SWATLD算法及比较[J]. 光谱学与光谱分析, 2009, 29(4): 1088-1092.
[20] 康超. 化学多维校正基础理论及其在复杂体系中的定量应用研究[D]. 长沙: 湖南大学, 2015.
KangC. Chemical multi-way calibration fundamental theories and their applications to quantitative analysis in complex systems[D]. Changsha: Hunan University, 2015.
[21] 杜树新, 杜阳锋, 袁之报. 三维荧光光谱的特征区域选择方法[J]. 发光学报, 2012, 33(3): 341-345.
Article Outline
陈至坤, 弭阳, 沈小伟, 程朋飞. 基于PARAFAC和ART算法的油类污染物荧光检测[J]. 激光与光电子学进展, 2018, 55(1): 013004. Chen Zhikun, Mi Yang, Shen Xiaowei, Cheng Pengfei. Fluorescence Detection of Oil Pollutants Based on PARAFAC and ART Algorithms[J]. Laser & Optoelectronics Progress, 2018, 55(1): 013004.